MH轨道R swMATH ID: 18786 软件作者： 马尔巴克·马蒂厄；Tubert-Bitter，帕斯卡尔；穆罕默德·塞德基 描述： 用于检测药物不良反应的逻辑回归中的贝叶斯模型选择。自发不良事件报告具有很高的检测药物不良反应的潜力。然而，由于它们的规模，对这些数据库的分析需要统计方法。在这种情况下，可以使用不成比例的度量。他们的主要想法是将数据投影到列联表中，以测量药物与不良事件之间的关联强度。然而，由于数据投影的原因，这些方法对共配体和掩蔽效应问题很敏感。最近，逻辑回归与拉索类型惩罚一起被用于检测药物与不良事件之间的关联。在不同的例子中，这种方法限制了非比例方法的缺点，但刑罚价值的选择容易受到批评，同时它强烈影响了结果。在本文中，我们建议使用逻辑回归，其稀疏性被视为模型选择的挑战。由于模型空间巨大，Metropolis-Hastings算法通过最大化BIC准则来进行模型选择。因此，我们避免了惩罚或阈值的校准。在我们对法国药物警戒数据库的应用过程中，将所提出的方法与参考数据集上成熟的方法进行了比较，获得了更好的阳性和阴性对照率。然而，许多信号（即特定的药物事件关联）没有被所建议的方法检测到。因此，我们得出结论，该方法应与药物警戒中的现有措施并行使用e.{par}代码在以下url中可以实现所建议的方法：url{https://github.com/masedki/MHTracjectoryR}. 主页： https://github.com/masedki/MHTracjectoryR 源代码： https://github.com/masedki/MHTracjectoryR 关键词： 贝叶斯信息准则;二进制数据;逻辑回归;Metropolis-Hastings算法;型号选择;药物警戒;自发报告;贝叶斯模型选择;药物不良反应;拉索式惩罚;法国药物警戒数据库 相关软件： 对;mnlogit公司;CDLasso公司;雷格利特;Rcpp Armadillo;臂;glmtree公司;二元逻辑;卢比;VGAM公司;针织物;空间概率;ggplot2;OncoBayes2软件;ivprobit公司;mlogitBMA公司;化学需氧量;stepPlr（步进器）;多omRob;英语考试 引用于： 2文件 3位作者引用 2 Matthieu马尔巴克 2 穆罕默德·塞基。 1 管式搅拌器，帕斯卡 2篇连载文章中引用 1 生物医学杂志 1 计算统计与数据分析 在1个字段中引用 2 统计学（62-XX） 按年份列出的引文